我目前在面板数据上运行三个模型 . 我有超过12个时期的378个客户 . 我使用我的响应变量的直接滞后 . 例如，时段t-1中的频率是时段t中频率的预测器：

购买< - glm（pur~freq.t-1 sales.t-1 more variables，family = binomial（link =“logit”），data = dat）frequency < - glm.nb（freq~freq.t-1 sales.t-1 more variables，data = dat.pur）sales < - glm（sales~frequency freq.t-1 sales.t-1 more variables，data = dat.pur）

如果预测购买== 1，我只估算频率和销售额 . 我使用频率的预测值作为销售预测器 .

我的数据中存在显着的序列相关性，这是预期的 . 我希望通过包含动态滞后结构来利用这一点 .

我已经阅读了几本书，有关stackoverflow和教程的主题（例如我非常喜欢https://bookdown.org/ccolonescu/RPoE4/time-series-stationary-variables.html#forecasting） . 但我现在迷路了 . 我的想法是使用指数平滑而不是直接滞后结构 .

请参见下面的代码，它是客户57的频率向量 . 对于每个周期，我根据先前的频率观察预测频率t 1 .

我现在想在上面的模型中使用freq.ets（或freq.hw）作为预测器 . 这是允许我现在这样做的方式吗？

c.57$freq <- c(2, 1, 2, 1, 1, 2, 1, 2, 2, 1, 2, 2)

for (i in 2:12) {
  c.57$freq.ets[i] <- forecast(ets(c.57$freq[1:i]), 1)$mean
  c.57$freq.hw[i] <- forecast(HoltWinters(c.57$freq[1:i], beta=FALSE, gamma=FALSE), 1)$mean
}

   freq freq.ets  freq.hw
1     2       NA       NA
2     1 1.800000 1.000066
3     2 2.000000 1.999934
4     1 1.546773 1.546758
5     1 1.237072 1.237079
6     2 1.586379 1.586379
7     1 1.428557 1.401724
8     2 1.500029 1.589050
9     2 1.555596 1.682220
10    1 1.500029 1.539794
11    2 1.545460 1.640922
12    2 1.583327 1.705174

附：我知道可能有更好的方法来估计我的模型，而不是使用上面的结构和3个独立的模型（例如同步系统/随机效应模型），但我想从这个基本的设置和工作开始从那里 . 所以在这一刻我真的很感兴趣，如果包含这些滞后结构是正确的方法 .

r forecasting economics